Python入门网络爬虫之精华版

Python学习网络爬虫主要分3个大的版块：抓取，分析，存储
另外，比较常用的爬虫框架Scrapy，这里最后也介绍一下。
先列举一下相关参考：宁哥的小站-网络爬虫

抓取

这一步，你要明确要得到的内容是是什么？是HTML源码，还是Json格式的字符串等等。

1. 最基本的抓取

一般属于get请求情况，直接从服务器上获取数据。
首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。

Requests：
    import requests
    response = requests.get(url)
    content = requests.get(url).content # string
    print "response headers:", response.headers # dict
    print "content:", content
Urllib2：
    import urllib2
    response = urllib2.urlopen(url)
    content = urllib2.urlopen(url).read() # string
    print "response headers:", response.headers # not dict
    print "content:", content
Httplib2：
    import httplib2
    http = httplib2.Http()
    response_headers, content = http.request(url, ‘GET‘)
    print "response headers:", response_headers # dict
    print "content:", content

此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。

data = {‘data1‘:‘XXXXX‘, ‘data2‘:‘XXXXX‘} # dict类型
Requests：data为dict，json
    import requests
    response = requests.get(url=url, params=data) # GET请求发送 
Urllib2：data为string
    import urllib, urllib2    
    data = urllib.urlencode(data) # 编码工作，由dict转为string
    full_url = url+‘?‘+data # GET请求发送
    response = urllib2.urlopen(full_url)

2. 对于反爬虫机制的处理

2.1 模拟登陆情况
这种属于post请求情况，先向服务器发送表单数据，服务器再将返回的cookie存入本地。

data = {‘data1‘:‘XXXXX‘, ‘data2‘:‘XXXXX‘} # dict类型
Requests：data为dict，json
    import requests
    response = requests.post(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
Urllib2：data为string
    import urllib, urllib2    
    data = urllib.urlencode(data) # 编码工作，由dict转为string
    req = urllib2.Request(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
    response = urllib2.urlopen(req)

2.2 使用cookie登陆情况
使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。

import requests         
requests_session = requests.session() # 创建会话对象requests.session()，可以记录cookie
response = requests_session.post(url=url_login, data=data) # requests_session的POST请求发送，可用于用户名密码登陆情况。必须要有这一步！拿到Response Cookie！

若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：

response_captcha = requests_session.get(url=url_login, cookies=cookies)
response1 = requests.get(url_login) # 未登陆
response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！
response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！

相关参考：网络爬虫-验证码登陆
参考项目：爬取知乎网站

2.3 伪装成浏览器，或者反“反盗链”

headers = {‘User-Agent‘:‘XXXXX‘} # 伪装成浏览器访问，适用于拒绝爬虫的网站
headers = {‘Referer‘:‘XXXXX‘} # 反“反盗链”，适用于有“反盗链”的网站
headers = {‘User-Agent‘:‘XXXXX‘, ‘Referer‘:‘XXXXX‘}
Requests：
    response = requests.get(url=url, headers=headers)
Urllib2：
    import urllib, urllib2   
    req = urllib2.Request(url=url, headers=headers)
    response = urllib2.urlopen(req)

3. 使用代理

适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。

proxies = {‘http‘:‘http://XX.XX.XX.XX:XXXX‘}
Requests：
    import requests
    response = requests.get(url=url, proxies=proxies)
Urllib2：
    import urllib2
    proxy_support = urllib2.ProxyHandler(proxies)
    opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
    urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象
    response = urllib2.urlopen(url)

4. 对于断线重连

def multi_session(session, *arg):
    while True:
        retryTimes = 20
    while retryTimes>0:
        try:
            return session.post(*arg)
        except:
            print ‘.‘,
            retryTimes -= 1

或者

def multi_open(opener, *arg):
    while True:
        retryTimes = 20
    while retryTimes>0:
        try:
            return opener.open(*arg)
        except:
            print ‘.‘,
            retryTimes -= 1

这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。

5. 多进程抓取

这里针对华尔街见闻进行多进程的实验对比：Python多进程抓取 与 Java多进程抓取
相关参考：关于Python和Java的多进程多线程计算方法对比

6. 对于Ajax请求的处理

对于“加载更多”情况，使用Ajax来传输很多数据。它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。
这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。
* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。
* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从’\uxxxx’形式的unicode_escape编码转换成u’\uxxxx’的unicode编码。
参考项目：Python多进程抓取

7. 验证码识别

对于网站有验证码的情况，我们有三种办法：

1. 使用代理，更新IP。
2. 使用cookie登陆。
3. 验证码识别。

使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。
可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。如果不成功，可以再次更新验证码识别，直到成功为止。
参考项目：Captcha1

分析

抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。
常见的分析工具有正则表达式，BeautifulSoup，lxml等等。

存储

分析出我们需要的内容之后，接下来就是存储了。
我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。

Scrapy

Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。
相关内容可以参考基于Scrapy网络爬虫的搭建